CC BY
22Materials]. Vestnik Tambovskogo gosudarstvennogo tekhnicheskogo universiteta [Bulletin of the Tambov State Technical University], 2022, vol. 28, no. 1, pp. 127-138.
16. Burakova, E. A., Tugolukov, E. N., Rukhov, A. V., Dyachkova, T. P., Litovka, Yu. V. Podkhod k upravleniyu protsessom polucheniya katalizatora sinteza uglerodnykh nanomaterialov [An approach to controlling the process of obtaining a catalyst for the synthesis of carbon nanomaterials]. Matematicheskie metody v tekhnologiyakh i tekhnike [Mathematical methods in technologies and engineering], 2022, no. 4, pp. 16-19.
17. Burakova, E. A. Kontseptsiya upravleniya tekhnologicheskoy sistemoy proizvodstva uglerodnykh nanotrubok [The concept of managing the technological system for the production of carbon nanotubes]. Vestnik Tambovskogo gosudarstvennogo tekhnicheskogo universiteta [Bulletin of the Tambov State Technical University], 2022, vol. 28, no. 3, pp. 444-454.
18. Burakova, E. A. Informatsionnaya podderzhka prinyatiya resheniy pri proizvodstve katalizatora sinteza uglerodnykh nanotrubok [Information support for decision-making in the production of a catalyst for the synthesis of carbon nanotubes]. Prikaspiyskiy zhurnal: upravlenie i vysokie tekhnologii [Caspian Journal: Control and High Technologies], 2021, no. 3 (55), pp. 9-15.
УДК 004.021
МЕТОД ПРОГНОЗИРОВАНИЯ ЗАТРАТ НА ВЫПОЛНЕНИЕ РАБОТ ПО ТЕХНОЛОГИЧЕСКОЙ КАРТЕ ВОЗДЕЛЫВАНИЯ РАСТЕНИЕВОДЧЕСКИХ КУЛЬТУР
Статья поступила в редакцию 18.11.2022, в окончательном варианте - 25.11.2022.
Трубицин Владислав Николаевич, Волгоградский государственный технический университет, 400005, Российская Федерация, г. Волгоград, пр. им. Ленина, 28,
аспирант, ORCID: 0000-0001-9570-3937, e-mail: trubitsins@gmail.com
Аль-Гунаид Мохаммед Амин Мохаммед, Волгоградский государственный технический университет, 400005, Российская Федерация, г. Волгоград, пр. им. Ленина, 28,
кандидат технических наук, доцент, ORCID: 0000-0002-6977-3971, e-mail: mohammadalgunaid@gmail.com
Дерегузов Кирилл Юрьевич, Волгоградский государственный технический университет, 400005, Российская Федерация, г. Волгоград, пр. им. Ленина, 28,
аспирант, ORCID: 0000-0002-5508-5799, e-mail: k.dereguzov@bilaboratory.com Щербаков Максим Владимирович, Волгоградский государственный технический университет, 400005, Российская Федерация, г. Волгоград, пр. им. Ленина, 28,
доктор технических наук, профессор, ORCID: 0000-0001-7173-4499, e-mail: maxim.shcherba-kov@vstu.ru
Аль-Гунаид Мария Александровна, ООО «Лаборатория бизнес-аналитики «Билаб»», 400005, Российская Федерация, г. Волгоград, пр. им. Ленина, 28,
системный аналитик, ORCID: 0000-0001-6764-7827, e-mail: ansama@yandex.ru
В статье рассматривается проблема эффективного управления процессами прогнозирования затрат сельскохозяйственного предприятия. Целью данной работы является разработка метода прогнозирования расхода материалов, топлива, использования техники и трудовых затрат на выполнение работ, предусмотренных технологической картой на выращивание посевных культур. В ходе выполнения работы был сформирован набор данных, который содержит фактические данные о выращивании пшеницы на полях различных площадей и состоит из информации об условиях выращивания и объеме задействованных в работе ресурсов. Данная выборка была использована для обучения математических моделей с целью прогнозирования значений затрат на выполнение полевых работ. В ходе проведенных экспериментов был разработан метод генерации технологической карты и прогнозирования расходов на выполнение работ по возделыванию сельскохозяйственных культур. Разработанный метод позволяет в короткие сроки сформировать первоначальный план работ с расчетом финансовых затрат с разницей не более 12 % от фактически затраченных ресурсов. Разработанный метод можно применять в процессе планирования, а также уже в протекающих процессах выращивания, что позволит пересчитать распределение ресурсов. Метод позволит обнаруживать и сигнализировать изменения в плане или перерасходе ресурсов в факте. Описанная разработка позволяет осуществлять поддержку принятия решений при оценке затрат на выращивание различных культур, повышая эффективность процесса планирования технологических карт на сельскохозяйственном предприятии.
Ключевые слова: сельское хозяйство, принятие решений, машинное обучение, прогнозирование
COST FORECASTING METHOD FOR PERFORMING WORK ACCORDING TO THE TECHNOLOGICAL MAP FOR SOWING CROPS
The article was received by the editorial board on 18.11.2022, in the final version — 25.11.2022.
Trubitsin Vladislav N., Volgograd State Technical University, 28 Lenin Ave., Volgograd, 400005, Russian Federation,
postgraduate student, ORCID: 0000-0001-9570-3937, e-mail: trubitsins@gmail.com
Al-Gunaid Mohammed Amin Mohammed, Volgograd State Technical University, 28 Lenin Ave., Volgograd, 400005, Russian Federation,
Cand. Sci. (Engineering), Associate Professor, ORCID: 0000-0002-6977-3971, e-mail: mohammadal-gunaid@gmail.com
Dereguzov Kirill Yu., Volgograd State Technical University, 28 Lenin Ave., Volgograd, 400005, Russian Federation,
postgraduate student, ORCID: 0000-0002-5508-5799, e-mail: k.dereguzov@bilaboratory.com
Shcherbakov Maxim V., Volgograd State Technical University, 28 Lenin Ave., Volgograd, 400005, Russian Federation,
Doct. Sci. (Engineering), Professor, ORCID: 0000-0001-7173-4499, e-mail: maxim.shcherba-kov@vstu.ru
Al-Gunaid Maria Alexandrovna, Bilab Business Intelligence Laboratory LLC, 28 Lenin Ave., Volgograd, 400005, Russian Federation,
system analyst, ORCID: 0000-0001-6764-7827, e-mail: ansama@yandex.ru
The paper consider effective management of costs forecasting processes for agricultural enterprises. The purpose of this work is to develop a methodology for predicting the consumption of materials, fuel, the use of equipment and labor costs for the performance of work provided for by the technological map for growing crops. The paper describes a data array containing actual data on the cultivation of wheat in fields of various areas and consisting of information about growing conditions and the amount of resources involved in the work. This sample was used to train mathematical models in order to predict the costs of field work. The result of the experiments is a developed method for generating a technological map and predicting the costs of performing work on growing crops. The developed method allows in a short time to form an initial work plan with the calculation of financial costs with a difference of no more than 12 % of the actually spent resources. The developed method can be applied in the planning process, as well as in ongoing growing processes, which will allow recalculating the distribution of resources. The method will allow to detect and signal changes in the plan or resource overrun in fact. The described development allows for decision support in assessing the costs of growing various crops, increasing the efficiency of the planning process for technological maps in an agricultural enterprise.
Keywords: agriculture, decision making, machine learning, forecasting
Graphical annotation (Графическая аннотация)
Работа^ Работа 1i №rl h], |l (Work И)
Работа t32 (Wort; 132,
Нормативтая числовые категориальные
информация признаки признаки
и статичные данные [ иг,;.п,- (categorical
(Regulatory ¡nformalion 3¡gns¡ signs) ,
and static data) /
Входная последовательность (input sequence]
Сформированная последовательность, содержащая 32 5 it элементов (Generated sequence eolia т то ■ ' * n elements)
> L ST M Ce ■-*- PC
Regularizaron t
> LSTVl Ce t
Regularizaron
m
Спрогнозированный
зтаг работ (Predicted st?ge of worm
Введение. В настоящее время специалисты в области сельского хозяйства стараются максимально использовать технологии точного земледелия (от англ. precision agriculture). Развитие цифровых технологий и средств связи позволяет аграриям снижать затраты, повышая продуктивность полей и прибыльность бизнеса [1].
Сельскохозяйственное производство сильно зависит от погоды и природных явлений, поэтому является наиболее уязвимым бизнесом. В сельском хозяйстве, в отличие от традиционного производства, невозможно заранее структурировать все бизнес-процессы.
На протяжении сезона фермер принимает десятки различных решений: от выбора семян и места посадки до методов лечения и обработки растений для борьбы с вредителями и угрозами. Недостаток информации при принятии решений приводит к тому, что в процессе производства теряется
до 40 % урожая. При этом более половины факторов, влияющих на потери, можно контролировать при помощи автоматизированных систем управления.
Эффективность сельского хозяйства будет выше в том случае, если в кратчайший срок при минимальных затратах труда удастся получить наибольшее количество продукции лучшего качества.
Процесс планирования выращивания сельскохозяйственной культуры выражается в виде технологической карты возделывания. Технологическая карта в растениеводстве представляет собой план агротехнических и организационно-экономических мероприятий по возделыванию одной или группы однородных по технологии сельскохозяйственных культур с расчетом себестоимости конечной продукции растениеводства [2].
Технологическая карта содержит весь процесс производства продукции, в ней приведены операции и их составные части, сырье, материалы, производственные техника, машины, оборудование и технологические режимы, необходимые для изготовления изделия время, квалификация работников. Для планирования технологической карты необходимо обладать полным набором информации об активах предприятия и ожидаемых показателях производительности от сезона выращивания.
Планирование технологической карты производится с помощью различных инструментов или в бумажном виде и может занимать до нескольких рабочих недель в зависимости от земельного банка предприятия и глубины планирования.
В статье предложен метод прогнозирования расхода материалов, топлива, использования техники и трудовых затрат на выполнение работ, предусмотренных технологической картой на выращивание посевных культур, позволяющий сократить на планирование технологических карт и распределение использования ресурсов.
Литературный обзор. Для сбора и хранения данных об активах предприятия используются корпоративные системы управления ресурсами. Данные системы позволяют эффективно управлять предприятием, отслеживая выполнение работ и использование различных ресурсов. В этом направлении используется множество современных технологий, таких как IoT [3] и различные веб-технологии, позволяющие внедрять и использовать элементы искусственного интеллекта в сельское хозяйство.
В существующих исследованиях интеллектуальные алгоритмы используются для прогнозирования урожайности посевных культур, продаж продукции, идентификации вредных объектов и многого другого.
В своей работе [4] авторы проводят сравнение методов машинного обучения, описанные в различных исследованиях, применительно к прогнозированию погодных условий для различных целей. В результате проведенных обзоров среди наиболее точных методов авторами указываются нейронная сеть, деревья решений, случайный лес и методы нечеткого моделирования.
Подобные методы используются в работе [5] для прогнозирования продаж и цен готовой продукции растениеводства, позволяя эффективнее планировать процесс сбора и хранения зерновых культур.
Для прогнозирования урожайности помимо регрессионных методов используются методы нечеткого моделирования, такие как нечеткие когнитивные карты [6, 12]. Данная технология используется в работе [7] для повышения эффективности принятия решений, связанных с выращиванием посевных культур в условиях неопределенности, и позволяет отследить закономерности влияния управляющих воздействий на итоговый уровень урожайности культуры.
В работе [8] методы анализа данных используются для прогнозирования климата по сезонам, а результаты прогноза агрегируются с данными о выращиваемой культуре и применяемых технологиях выращивания. Это позволяет оказывать поддержку принятия решений по проведению полевых работ, рассчитывая длительность различных фаз развития культуры.
Для прогнозирования Нормализованного вегетационного индекса (англ. Normalized difference vegetation index, NDVI) используются методы линейной и квадратичной регрессии, а также нейронная сеть [9]. Получаемые в результате прогнозирования значения позволяют отслеживать временные изменения ландшафта и растительности, что позволяет более эффективно планировать площади засеивания.
В статье [10] приведен вариант использования нейронных сетей для идентификации вредных объектов в области сельского хозяйства. Данная работа описывает способ идентификации дефектов на листьях растений и определения наличия вредителей различного рода путем анализа изображений. Использование описанной системы позволяет снизить трудоемкость и уменьшить время обследования посевов, а также улучшить качество работы агрономических служб.
На основании анализа современного состояния исследований в данной области можно сделать вывод о перспективности использования машинного обучения для осуществления поддержки принятия решений при планировании технологических карт, в том числе с точки зрения эффективного распределения ресурсов, имеющихся на предприятии.
Подготовка данных. Выращивание сельскохозяйственных культур заключается в выполнении определенной последовательности различных технологических операций. При этом комплекс операций содержит взаимосвязанные работы, каждая из которых подготавливает условия для выполнения последующей. Порядок, приемы и средства выполнения сельскохозяйственных работ и производственный процесс в целом называются технологией и представляются в виде технологической карты.
Технологическая карта на возделывание культуры отражает:
• перечень и последовательность производственных операций, расположенных в хронологическом порядке;
• их продолжительность (допустимую) в календарных и рабочих днях;
• тип и состав агрегата;
• обслуживающий персонал;
• выработку за смену и сутки;
• расход топлива на единицу работы и каждую операцию;
• требуемое число агрегатов и механизаторов для выполнения работ в данные сроки, затраты труда и эксплуатационные затраты средств на единицу работы, на весь объем работ (по всем операциям).
Перечень операций технологической карты должен предусматривать все агротехнические приемы, которые могут способствовать повышению урожайности [2].
Объем валовой продукции, ее себестоимость, заработная плата, а также рентабельность подразделений и предприятия в целом напрямую зависят от урожайности сельскохозяйственной культуры. В ходе планирования состава и объема работ по выращиванию требуется определить потребность в семенах, удобрениях и химикатах. Величина потребности в семенах определяется в зависимости от нормы высева и площади посева, норма внесения удобрений определяется исходя из планируемого уровня урожайности, а потребность в химикатах - в соответствии с потребностью в химических обработках.
Норма выработки определяет объем работы, который должен быть выполнен одним или группой квалифицированных рабочих в единицу времени. В технологической карте нормы выработки определяются для трактористов, машинистов и исполнителей подсобных работ [2].
Имея исторические данные о результатах работ, а также понимание принципа составления технологических карт, можно сформировать обучающую выборку для прогнозирования количества ресурсов, затрачиваемых на выращивание различных видов сельскохозяйственных культур с помощью алгоритмов машинного обучения. Фрагмент такой обучающей выборки, сформированный на основе данных, полученных от агропромышленного предприятия, расположенного в Волгоградской области, представлен на рисунке 1. Данная выборка содержит фактические данные о выращивании эспарцета, пшеницы, гороха, овса, кукурузы, рапса на полях различных площадей и состоит из информации об условиях выращивания и объеме задействованных в работе ресурсов. По причине того, что исходная выборка содержит малое количество записей (около 100), набор данных был смоделирован для повышения эффективности обучения математических моделей.
Наименова Объем работ Сроки проведения Состав агрегата Количество человек для выполнения Сменная норма выработки Количество Затраты труда, ч-д Тарифный разряд Ставка за норму, руб ФОТ, руб
ед. изм кол-во начало раб. дней марка кол-во машинисты рабочие машинисты рабочие машинисты рабочие машинисты рабочие машинисты рабочие
обработка га 100 20,09 5 К-744Р2 1 1 14,1 7,1 7,1 V 522,95 3708,86
Ранневесен га 100 10,05 5 МТЗ-1221 1 1 72 1,4 1,39 V 522,95 726,32
Летняя культивац ия на 8-10 га 100 5,06 5 МТЗ-1221 1 1 50 2 2 V 522,95 1045,9
Рисунок 1 - Пример технологической карты в обучающей выборке
Для выявления наличия взаимозависимостей между атрибутами, присутствующими в выборке, был проведен корреляционный анализ по отношению значений атрибутов к стоимости материалов. В таблице 1 приведен результат выполнения корреляционного анализа на обучающей выборке. Для типа работ «Сев» видно, что модуль коэффициента корреляции больше 0,3, следовательно, все факторы (площадь посевной территории, фонд оплаты труда, затраты на семена, затраты на топливо, количество норм) оказывают влияние на стоимость материалов.
Таблица 1 - Результаты корреляционного анализа на обучающей выборке
Атрибут Работы типа «Сев» Работы, отличные от сева Культивация
Площадь 0,765 0,272 0,489
ФОТ 0,580 0,073 0,807
Стоимость семян 0,995 - -
Топливо 0,301 0,089 1
Нормы 0,649 0,072 0,807
Наиболее сильную линейную зависимость формируют затраты на семена - 0,995. Этот факт возникает, потому что в работах типа «Сев» затраты на семена могут быть до 95 % стоимости всего этапа работ. Для работ, отличных от сева, наименьшая зависимость проявляется с фактором затраты на фонд оплаты труда, всего 0,301. Рассмотренная зависимость связана с тем, что в большинстве работ на поле задействуется различная техника, которая имеет свойство ломаться и изнашивать оборудование, а также потреблять большое количество топлива, на которое уходит большинство финансовых ресурсов.
По таблице также видно, что, если обучающая выборку сформировать среди всех работ, коэффициент корреляции окажется низким. Поэтому логичным действием будет выделение из обучающей выборки данных для отдельного вида работ. Однако данное утверждение может работать только для работ, для которых количество записей велико. Таким примером может выступать «Культивация».
В этом случае топливо дает максимальный коэффициент корреляции. Это связано с тем фактом, что в работах типа «Культивация» в основном не используются другие типы материалов. В работах типа «Внесение удобрений» высокая зависимость от минеральных и органических удобрений, так как их стоимость может достигать до 96 % от общей стоимости выполнения работ этого типа. В работах, выполняемых ручным трудом, преобладает зависимость фонда оплаты труда.
Исходя из наличия такого рода корреляций в исходных данных, был произведен эксперимент по прогнозированию значений затрат на выполнение работ, входящих в технологическую карту в зависимости от площади и состояния поля, желаемой культуры и имеющихся на предприятии ресурсов.
Описание метода. Для проведения эксперимента по проверке гипотезы о возможности прогнозирования значений затрат на выполнение полевых работ, входящих в состав технологической карты, для каждой культуры был разработан метод последовательного формирования плана работ в технологической карте, который учитывает исторические данные проведенных работ, природно-климатические и метеорологические факторы.
На первом шаге определяется входная последовательность, содержащая нормативную информацию, статичные данные, числовые признаки и категориальную информацию. Входная последовательность проходит предварительную обработку, состоящую в следующем:
• заполнение недостающих значений;
• выявление выбросов;
• сглаживание;
• трансформация Бокса - Кокса;
• объединение и масштабирование.
На втором шаге формируется первоначальная версия технологической карты. Входная последовательность, содержащая 32 элемента, подается на вход рекуррентной нейронной сети для прогнозирования этапа работ. Такое количество записей было выбрано по результатам экспериментов, в которых алгоритм показал наилучший результат именно на этой размерности входных данных. Увеличение размерности входных данных в большую сторону начинает переобучать алгоритм и снижает его точность. Метрика точности обучения алгоритма в зависимости от размера входных параметров представлена на рисунке 2. Под метрикой для последовательности понимается корректное (точное) совпадение прогнозируемого этапа работ с этапом работы согласно обучающей выборке.
Метрика точности алгоритма генерации последовательности работ (MAPE)
и
° Размер входной последовательности
° • Тестовая выборка • Проверочная выборка
Рисунок 2 - Метрика точности алгоритма формирования последовательности этапов работ
На этапе формирования первоначальной версии технологической карты важно учитывать имеющиеся ресурсы агропромышленной компании для минимизации финансовых расходов. Алгоритм, опираясь на исторические данные, выявляет наиболее предпочитаемый вариант для каждой агропромышленной компании в отдельности на основе предыдущего опыта. Количество техники и человеко-ресурсов зависит от сроков и объемов проведения работ. Важно, чтобы работа была выполнена согласно плану и с минимальными денежными затратами.
На третьем, завершающем, шаге формируется окончательная версия технологической карты. После определения всех норм и назначения техники на выполнение работ производятся расчеты стоимости ГСМ и ФОТ. Проблемой данных расчетов являются непредвиденные издержки, вызванные природно-климатическими явлениями, поломками техники и многими другими внешними факторами. Для приближения к реальной стоимости возделывания сельскохозяйственных культур использовались методы машинного обучения.
Результаты экспериментов. В ходе работы с непредвиденными издержками был изучен набор методов машинного обучения. Для оценки точности применяемых методов используются значения среднеквадратичной ошибки (mean squared error, MSE), корня из среднеквадратичной ошибки (root mean squared error, RMSE) и средней абсолютной ошибки (mean absolute percentage error, MAPE). Результаты обучения методов представлены в таблице 2.
Для повышения точности прогнозов было принято решение использовать ансамблевый метод -бэггинг, обобщив результаты каждого метода, и на основе их общей оценки дать окончательный прогноз. По результатам эксперимента с ансамблем моделей удалось снизить среднюю ошибку точности прогноза дополнительных расходов на 5 %, до 15,28 % (или 9 400 руб).
Таблица 2 - Оценка точности методов прогнозирования дополнительных расходов
Метод MAE RMSE MAPE, %
Случайный лес 10 262,09 17 394 20,80318
Линейная регрессия 12 014,75 19 858,16 22,12624
Метод опорных векторов 10 486,52 17 623,48 20,49627
Градиентный бустинг 9 874,834 16 954,18 20,41392
Ансамбль моделей 9 400,3 16 286,16 15,28
Разработанный метод позволяет построить технологическую карту на возделывание сельскохозяйственных культур. На рисунке 3 приведены результаты план-факторного анализа спрогнозированной технологической карты. На рисунке 3 указано отклонение от прогнозируемой стоимости работы («План») и фактической стоимости работы на поле («Факт»). Согласно результатам план-факторного анализа, метод чаще ошибается в меньшую сторону, закладывая в план финансовых ресурсов меньше, чем выходит по факту выполнения работ. Такая ошибка в большинстве случаев связана с внешними факторами.
№ Название План Фант Отклонение
1 Основная обработка 434010,49 402249,6 31760,89
2 Ранневесен. боронование в 2 следа 44388,4 50018,62 * -5630,22
3 Летняя культивация на 8-10 см 58763,6 52465,32 6298,28
4 Летняя культивация на 10-12 см 58763,6 68263,32 -9499,72
5 Летняя культивация на 12-14 см 58763,6 73217,1 * -14453,5
6 Летняя культивация на 12-14 см 58763,6 61209,34 -2445,74
7 Ранневесеннее боронование 44388,4 46188,79 Ф -1800,39
8 Протравливание семян (0,4л/га) 2915,3 4345,9 I -1430,6
9 Погрузка минеральных удобрений 4515,068 8467,38 * -3952,312
10 Выгрузка и растаривание удобрений 2259,554 3208,34 -948,786
11 Внесение удобрений 22138,04 23303,39 * -1165,35
12 Предпосевная культивация 58763,6 100262,45 -41498,85
13 Погрузка семян 11638,198 16966,4 * -5328,202
14 Посев с прикатыванием 94147,27 140202,23 * -46054,96
15 Подвоз воды (10 км) 113741,1 157069,63 * -43328,53
16 Приготовление раствора (%) 2797,78 3750,98 1 -953,2
17 Внесение гербицидов 26189,54 37282,91 Ф -11093,37
18 Подвоз воды (10 км) 11374,516 17009,45 -5634,934
19 Приготовление раствора (0,04) 282,39 342,67 * -60,28
20 Внесение фунгицидов и инсектицидов 24761,89 39334,76 -14572,87
21 Обкашивание поля 14923,59 20804,08 * -5880,49
22 Прямое комбайнирование 298503,17 296730,06 1773,11
23 Первичная очистка зерна 1267,5 2009,42 -741,92
24 Очистка и сушка зерна 2294,18 2409,49 ± -115,31
25 Погрузка зерна 344,76 475,3 -130,54
Рисунок 3 - План-факторный анализ технологической карты
Результаты оценки точности разработанного метода генерации технологической карты представлены в таблице 3. Помимо использованных ранее оценок, в таблице приводятся значения симметричного среднего процента отклонения (symmetric mean absolute percentage error, SMAPE). Визуализация результата прогноза затрат на выполнение этапов работ в рамках технологической карты представлена на рисунке 4.
План-факторный анализ
500000 450000 400000 350000 300000 250000 2ЮООО 150000 100000 50000 О
Наименование работ
-План -Факт
Рисунок 4 - Результаты прогнозирования разработанного метода генерации технологической карты
В ходе план-факторного анализа было выявлено, что алгоритм ошибается в среднем на 15,28 % (9400 руб.) в стоимости отдельно взятых работ, но общий размер финансовых ресурсов, заложенных в процесс возделывания сельскохозяйственных культур, в среднем отклоняется на 11,06 % (204 245 руб.), в очень редких случаях отклоняется выше, чем на 16,5 % (304 707 руб.).
Таблица 3 - Оценка точности моделей прогнозирования стоимости работ
MAE RMSE MAPE SMAPE
Относительно расчета стоимости отдельно взятых работ
9400,3 16286,16 15,28 16,61
Относительно расчета стоимости всей технологической карты
204245,49 236585,06 11,06 12,15
Заключение. В данной работе описаны основные проблемы процесса планирования технологической карты на выращивание сельскохозяйственных культур, одной из которых являются высокие временные затраты.
Исследование существующих решений и методик по применению методов машинного обучения показало, что присутствует необходимость разработки метода, позволяющего спланировать технологическую карту, в том числе с точки зрения эффективного распределения ресурсов, имеющихся на предприятии.
В ходе проведенных экспериментов был разработан метод генерации технологической карты и прогнозирования расходов на выполнение работ возделывания сельскохозяйственных культур. Разработанный метод позволяет в короткие сроки сформировать первоначальный план работ с расчетом финансовых затрат. Метод показал довольно оптимистичные результаты, прогнозируя объем и стоимость работы с разницей в 12 % от фактически затраченных ресурсов.
Разработанный метод можно применять в процессе планирования, а также уже в протекающих процессах выращивания, что позволит пересчитать распределение ресурсов. Метод позволит обнаруживать и сигнализировать изменения в плане или перерасходе ресурсов в факте.
Описанная разработка позволяет осуществлять поддержку принятия решений при оценке затрат на выращивание различных культур, повышая эффективность процесса планирования технологических карт на сельскохозяйственном предприятии.
Перспективой развития данной работы является доработка описанного метода путем добавления других факторов, оказывающих влияние на использование ресурсов, с целью обеспечения возможности более глубокого планирования технологической карты.
Библиографический список
1. Башаров, Э. Р. Инновационные системы в агропромышленном комплексе: опыт внедрения в России и Башкирии / Э. Р. Башаров, Н. Р. Гусманов, Д. Р. Латыпова // Мавлютовские чтения : материалы XV Всероссийской молодежной научной конференции : в 7 т., Уфа, 26-28 октября 2021 года. - Уфа : Уфимский государственный авиационный технический университет, 2021. - С. 847-852. - EDN OEGRMB.
2. Методические рекомендации по разработке организационно-технологических карт в растениеводстве : методические рекомендации / А. В. Марченко, А. Ф. Меньщикова, Т. В. Светлакова, М. К. Юшкова. -Пермь : Изд-во ФГБОУ ВО «Пермская ГСХА», 2016. - 75 с.
3. Chen, K. Intelligent Agriculture - Agricultural Monitoring and Control Management System / K. Chen, Z. Li, L. Ma, Y. Tang // Cyber Security Intelligence and Analytics. CSIA 2020. Advances in Intelligent Systems and Computing. - Springer, Cham, 2020. - Vol. 1146. https://doi.org/10.1007/978-3-030-43306-2_45.
4. Senthil Kumar, R. A study on prediction of rainfall using datamining technique / R. Sentinel Kumar, Dr. C. Ramesh // Satyabama University Chennai.
5. Mohammed, A. Al-Gunaid. Time series analysis sales of sowing crops based on machine learning methods / Mohammed A. Al-Gunaid, Maxim V. Shcherbakov, Vladislav V. Trubitsin, Alexandr M. Shumkin. - Volgograd State Technical University, 2018.
6. Kosko, B. Fuzzy cognitive maps / B. Kosko // International Journal of Man-Machine Studies. - Vol. 24 (1). -P. 65-75.
7. Аль-Гунаид, М. А. Forecasting potential yields under uncertainty using fuzzy cognitive maps / М. А. Аль-Гунаид, И. И. Салыгина, М. В. Щербаков, В. Н. Трубицин, P. P. Groumpos // Agriculture and Food Security. - 2021. -Vol. 10. - Article 32. - 10 p. - Режим доступа: https://agricultureandfoodsecurity.biomedcentral.com /track/pdf/10.1186/s40066-021-00314-9.pdf, свободный. - Заглавие с экрана. - Яз. англ.
8. Han, E. Climate-Agriculture-Modeling and Decision Tool: A software framework for climate risk management in agriculture / Eunjin Han, Amor V. M. Ines, Walter E. Baethgen.
9. Xingwang, F. A comparison of NDVI intercalibration methods / Fan Xingwang, Liu Yuanbo.
10. Аль-Гунаид, М. А. The System of Intelligent Identification of Harmful Objects in the Field of Agriculture / М. А. Аль-Гунаид, М. В. Щербаков, V. V. Tishchenko, В. Н. Трубицин // Creativity in Intelligent Technologies and
Data Science : 4th International Conference CIT&DS 2021 (Volgograd, Russia, September 20-23, 2021) : Proceedings / eds.: A. G. Kravets, M. Shcherbakov, D. Parygin, P. P. Groumpos ; Volgograd State Technical University [et al.]. -Cham (Switzerland) : Springer Nature Switzerland AG, 2021. - P. 177-189. - Режим доступа: https://link.springer.com/book/10.1007/978-3-030-87034-8, свободный. - Заглавие с экрана. - Яз. англ. - (Book ser.: Communications in Computer and Information Science (CCIS) ; vol. 1448).
11. Al-Gunaid, M. A. Analysis a short-term time series of crop sales based on machine learning methods / M. A. Al-Gunaid, M. V. Shcherbakov, V. N. Trubitsin [et al.] // Communications in Computer and Information Science. - 2019. - Vol. 1083. - P. 189-200. - DOI 10.1007/978-3-030-29743-5_15. - EDN QFVTWQ.
12. Al-Gunaid, M. A. Decision Trees based Fuzzy Rules / M. A. Al-Gunaid, M. V. Shcherbakov, V. A. Kamaev [et al.] // Proceedings of the 2016 Conference on Information Technologies in Science, Management, Social Sphere and Medicine (ITSMSSM 2016), Tomsk, 23-26 мая 2016 года. - Tomsk : Atlantis Press, 2016. - P. 502-508. - EDN FWOOJW.
References
1. Basharov, E. R., Gusmanov, N. R., Latypova, D. R. Innovatsionnye sistemy v agropromyshlennom kom-plekse: opyt vnedreniya v Rossii i Bashkirii [Innovative systems in the agro-industrial complex: implementation experience in Russia and Bashkiria]. Mavlyutovskie chteniya : materialyXV Vserossiyskoy molodezhnoy nauchnoy konfe-rentsii : v 7 tomakh, Ufa, 26-28 oktyabrya 2021 goda. [Mavlyutov Readings : proceedings of the XV All-Russian Youth Scientific Conference : in 7 vol., Ufa, October 26-28, 2021]. Ufa, Ufa State Aviation Technical University Publ., 2021, pp. 847-852. EDN OEGRMB.
2. Marchenko, A. V., Menshchikova, A. F., Svetlakova, T. V., Yushkova, M. K. Metodicheskie rekomendatsii po razrabotke organizatsionno-tekhnologicheskikh kart v rastenievodstve : metodicheskie rekomendatsii [Guidelines for the development of organizational and technological maps in crop production: guidelines]. Perm, Perm State Agricultural Academy Publ., 2016. 75 p.
3. Chen, K., Li, Z., Ma, L., Tang, Y. Intelligent Agriculture - Agricultural Monitoring and Control Management System. Cyber Security Intelligence and Analytics. CSIA 2020. Advances in Intelligent Systems and Computing, Springer, Cham., 2020, vol. 1146. https://doi.org/10.1007/978-3-030-43306-2_45.
4. Senthil Kumar, R., Ramesh, Dr. C. A study on prediction of rainfall using datamining technique. Satyabama University Chennai.
5. Mohammed, A. Al-Gunaid, Shcherbakov, Maxim V., Trubitsin, Vladislav V., Shumkin, Alexandr M. Time series analysis sales of sowing crops based on machine learning methods. Volgograd State Technical University, 2018.
6. Kosko, B. Fuzzy cognitive maps. International Journal of Man-Machine Studies, vol. 24 (1), pp. 65-75.
7. Al-Gunaid, M. A., Salygina, I. I., Shcherbakov, M. V., Trubitsin, V. N., Groumpos, P. P. Forecasting potential yields under uncertainty using fuzzy cognitive maps. Agriculture and Food Security, 2021, vol. 10, article 32. 10 p. Available at: https://agricultureandfoodsecurity.biomedcentral.com/track/pdf/10.1186/s40066-021-00314-9.pdf.
8. Han, E., Ines, Amor V. M., Baethgen, Walter E. Climate-Agriculture-Modeling and Decision Tool: A software framework for climate risk management in agriculture.
9. Xingwang, F. Yuanbo L. A comparison of NDVI intercalibration methods.
10. Al-Gunaid, M. A., Shcherbakov, M. V., Tishchenko, V. V., Trubitsin, V. N. The System of Intelligent Identification of Harmful Objects in the Field of Agriculture. Creativity in Intelligent Technologies and Data Science : 4th International Conference CIT&DS 2021 (Volgograd, Russia, September 20-23, 2021) : proceedings. Cham (Switzerland), Springer Nature Switzerland AG, 2021, pp. 177-189. Available at: https://link.springer.com/book/10.1007/978-3-030-87034-8. (Book ser.: Communications in Computer and Information Science (CCIS) ; vol. 1448).
11. Al-Gunaid, M. A., Shcherbakov, M. V., Trubitsin, V. N. [et al.] Analysis a short-term time series of crop sales based on machine learning methods. Communications in Computer and Information Science, 2019, vol. 1083, pp. 189200. DOI 10.1007/978-3-030-29743-5_15. EDN QFVTWQ.
12. Al-Gunaid, M. A., Shcherbakov, M. V., Kamaev, V. A. [et al.] Decision Trees based Fuzzy Rules. Proceedings of the 2016 Conference on Information Technologies in Science, Management, Social Sphere and Medicine (ITSMSSM 2016), Tomsk, May 23-26, 2021. Tomsk, Atlantis Press, 2016, pp. 502-508. EDN FWOOJW.
